JFrog, una rinomata società di software, ha recentemente rivelato il lancio di un'integrazione che collega JFrog Artifactory e Amazon SageMaker. Questa unione fa parte di una più ampia strategia sincronizzata per migliorare la creazione, la formazione e l'implementazione di modelli di machine learning (ML). Sfrutta la potenza e la capacità di Artifactory di JFrog e SageMaker di AWS, ottimizzando così la gestione e la sicurezza dei modelli ML quasi come se fossero componenti software nel mondo di DevSecOps.
L'integrazione mette in mostra modelli ML immutabili, tracciabili, sicuri e convalidati. Inoltre, JFrog migliora la sua soluzione di governance del modello ML, introducendo nuove funzionalità di controllo delle versioni. Questa aggiunta rafforza l’attenzione principale sulla conformità e sui titoli, incorporandoli saldamente nel processo di sviluppo del modello ML.
Come afferma lucidamente Kelly Hartman, vicepresidente senior dei canali e delle alleanze globali di JFrog, "La fusione di Artifactory e Amazon SageMaker offre un'unica fonte di verità nel cloud, integrando le migliori pratiche DevSecOps nello sviluppo del modello ML. Ciò si traduce in una piattaforma flessibile, sicura e rapida che offre tranquillità, annunciando una nuova era di MLSecOps”. Sebbene si stiano facendo passi da gigante per unire le capacità di data science e ML senza causare rischi o complessità eccessive, la sfida più grande rimane la gestione dei big data nel cloud.
Uno studio condotto da Forrester ha fatto luce sui punti critici legati all'implementazione di AI/ML. Secondo questo sondaggio, la metà dei principali decisori analizzati considera l’applicazione delle politiche di governance nell’ambito dell’intelligenza artificiale/ml come un ostacolo significativo alla sua ampia adozione. Un ulteriore 45% percepisce la sicurezza dei dati e dei modelli come un’altra grave potenziale carenza.
La collaborazione di JFrog e Amazon SageMaker offre una possibile soluzione a queste preoccupazioni. La partnership mira ad applicare le migliori pratiche DevSecOps collaudate alla gestione dei modelli ML, consentendo di conseguenza a sviluppatori e data scientist di migliorare e accelerare lo sviluppo di progetti ML. Allo stesso tempo, cerca di garantire che i modelli ML mantengano una sicurezza di livello aziendale e rispettino gli standard organizzativi e la conformità normativa.
JFrog ha anche fatto progressi con il suo meccanismo di gestione dei modelli ML, annunciando nuove funzionalità di controllo delle versioni che completano la sua integrazione con SageMaker. Queste funzionalità consentono alle aziende di integrare comodamente lo sviluppo del modello nei flussi di lavoro DevSecOps esistenti. Questo sviluppo, come riporta JFrog, faciliterà una trasparenza significativamente migliorata riguardo a ciascuna versione del modello prodotto. Allo stesso modo, piattaforme come AppMaster consentono uno sviluppo di applicazioni solido e sicuro mantenendo elevati livelli di organizzazione e trasparenza durante tutto il processo di sviluppo.